从时刻到模型：基于图谱混合的混合学习与对比学习
机器学习
2026-04-01 v3 机器学习
摘要
现实世界的图数据常常源自混合人群，其中图由来自多个不同底层分布的图生成。本文提出一种统一框架，显式地将图数据建模为由图谱（graphons）表示的概率图生成模型的混合。为刻画和估计这些图谱，我们利用图时刻（图案密度）对由相同底层模型生成的图进行聚类。我们建立了一种新型理论保证，推导出结构相似的图谱抽样图在高概率下具有相似的图案密度的更紧致界限。此结果为对图谱混合组件的原则性估计提供了可能。我们展示，纳入估计的图谱混合组件可增强两种广泛使用的下游范式：通过混合实现图数据增强和图对比学习。我们开发了基于图谱混合感知的混合（GMAM）和模型感知的图对比学习（MGCL）。在大量仿真和真实数据集上的大量实验表明，方法在实际应用中表现优异。在监督学习中，GMAM在6个以上7个数据集上实现了新的最高准确率。在非监督学习中，MGCL在七个基准数据集上表现出竞争力，总体平均排名最低。
引用
@article{arxiv.2510.03690,
title = {From Moments to Models: Graphon-Mixture Learning for Mixup and Contrastive Learning},
author = {Ali Azizpour and Reza Ramezanpour and Santiago Segarra},
journal= {arXiv preprint arXiv:2510.03690},
year = {2026}
}